轴承振动信号的采集过程中难免会受到噪声的影响,使得轴承部分故障特征难以提取。针对此问题,提出一种基于蜣螂算法(DBO)优化变分模态分解(VMD)并与VGG神经网络相结合的轴承故障诊断方法。使用DBO对VMD进行参数寻优,经过优化后的VMD将原始振动信号分解为多个本征模态函数(IMF),通过皮尔逊相关系数选择合适的IMF对信号进行重构;对重构的信号进行连续小波变换(CWT)生成时频图;最后,通过VGG网络进行训练以完成对轴承的故障诊断分类识别。结果表明与其他诊断方法相比,所提方法降噪效果明显,同时对轴承的故障识别准确率达到了100%。

针对传统的轴承故障诊断方法在面对强噪声和非平稳信号识别时特征提取过度依赖先验知识和专家经验等问题,结合传统的信号处理方法和深度学习算法提出一种基于CWT-CNN的离心泵轴承故障识别方法。连续小波变换(CWT)将原始的1D振动信号转化为故障特征信息更丰富的2D时频图,2D时频图再输入到卷积层完成特征的自动提取,最后SoftMax层完成故障识别。经过西储大学公开轴承数据集和实验室搭建的离心泵振动轴承采集实验台验证,该方法的故障识别准确率均能达到90%以上。

针对行星齿轮箱振动信号具有较强的非平稳特性、故障样本少以及传统深度学习对数据依赖性的问题,提出了一种基于连续小波变换(Continuous wavelet transform,CWT)和无模型元学习(Model agnostic meta learning,MAML)的小样本行星齿轮箱故障诊断方法。通过CWT将行星齿轮箱振动信号转换为时频图像,有效地表达行星齿轮箱非平稳性特征;利用MAML“学会学习”的能力训练小样本的时频图像,对“未见过”的行星齿轮箱故障类型进行测试。通过对不同样本数量、跨工况条件和不同噪声环境下的行星齿轮箱进行故障诊断实验,结果表明,该方法相比于其他方法具有更高的识别精度、泛化性和鲁棒性。

针对行星齿轮箱故障诊断中故障类型难以区分的问题,提出了一种基于小波时频图和卷积神经网络相结合的行星齿轮箱故障诊断方法。首先,对原始信号进行连续小波变换,获取小波时频图;然后,对小波时频图进行统一处理和压缩,将处理好的小波时频图输入到卷积神经网络中进行分类识别,通过调整小波基函数和卷积神经网络参数,最终得到一个较为理想的诊断模型。试验证明,在训练集数据和测试集数据转速不同的情况下,该方法与BP神经网络相比,在诊断准确率和鲁棒性方面都有提升。该方法的研究为行星齿轮箱的故障诊断提供了参考。

涡街流量传感器在测量小流量时由于信号微弱而不易检测，为解决这一问题从而扩展其测量下限，从传感器设计入手，研究在二维流场中压电探头与旋涡发生体的位置关系，找到适合信号检测的最佳位置．通过在三元回流式风洞中试验，利用热线测速以及压电探头测压得到发生体下游不同位置处的速度和压力信号，分析了信号强度、信噪比、小波系数和小波能量随检测位置的变化规律，最终给出了风洞中3种尺寸旋涡发生体下游的最佳检测位置：宽度14mm发生体的最佳检测区域为距发生体50～75mm，宽度22．5mm发生体的最佳位置在100～150mm，宽度28mm发生体的最佳位置在150～200mm．根据试验结果提出了估算最佳位置的公式，即最佳检测位置与发生体距离为涡街波长的二分之一．试验的分析方法和结论具有普适性，可推广到管道三维涡街流场中探头位置的...

将小波变换用于涡街流量计,介绍了基于离散小波变换和连续小波变换功率谱估计的信号处理方法,给出了仿真步骤与结果,并讨论其特点,从而设计了基于DSP的信号处理系统.研究中所用方法适用于其它流量计,基于DSP的信号处理系统具有功能强、速度快及可靠性高等优点.

根据含内部径向裂纹圆环中周向导波的信息,采用Gabor连续小波变换进行分析,提取出任一点动态应变中某一频率分量上的信息.通过对回波信号的深入研究,可以由该测点的小波分析结果定量地检测出圆环内部径向裂纹的位置,并可以进一步判断损伤程度.文中提出的方法便于实际应用,有利于推广到工程实际薄壁管道构件内部损伤的检测.

提出一种基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法。通过对完整齿轮、裂齿齿轮和缺齿齿轮3种齿轮工作状态的声信号进行小波分析并建立特征数据库,构建深度自编码网络与模糊推理系统相结合的诊断系统,实现了齿轮故障诊断与辨识。实验结果表明:这种基于声信号的故障诊断方法能够有效检测矿用齿轮箱的运行状况;与传统神经网络诊断方法以及奇异值分解诊断方法相比,该诊断方法对故障状态的辨识准确度分别提高了3.8%和8%。与传统基于振动信号的故障诊断方法相比,基于声信号的诊断方法对故障状态的辨识准确度无明显差别。表明深度自编码网络模糊推理系统同样适用于基于振动信号的矿用齿轮箱的故障特征提取与分析。

针对转频波动工况下复杂齿轮箱系统振动信号中各啮合阶次成分相互干扰,导致对啮合频率估计困难的情况,提出一种基于时变滤波与连续小波变换(CWT)结合的无转速计阶次跟踪齿轮箱故障诊断技术。基于短时傅里叶变换(STFT)设置时变滤波器;通过时变滤波及连续小波变换(CWT),获得平滑的瞬时频率估计(IFE);再基于Vold-Kalman滤波(V KF)获得参考轴相位。该方法获得的阶次谱与计算阶次跟踪(COT)相当。最后,结合快速谱峭度算法可准确判断故障齿轮位置。通过仿真和实验表明,无转速计方法能为强噪声转速明显波动工况下的机械故障诊断提供一种新的有效手段。

采用连续小波变换的方法，在大型结构模态参数辨识方面提出了系统化的辨识流程，并对相近的频率所造成的辨识难点提出了解决的办法。通过三自由度模型模态参数的辨识，表明连续小波变换对于大型结构的模态参数辨识准确度高，具有现实意义。